可以采用翻译软件翻译 Temporal RoI Align for Video Object Recognition TL;DR Goal: exploit temporal information for the same object instance in a video. RPN -> proposals proposal -> deformable attention along time axis -> aggregate temporal features to c
中学数学 p、q挣扎很久没分解出来，wp出来了赶紧复现试试。 题目 from gmpy2 import * from Crypto.Util.number import * from secret import flag p=getPrime(1024) q=next_prime(p+(p>>500)) #p>>500=(1/2^500)p e=0x10001 #65537 n=p*q c=pow(bytes_to_long(flag),e,n
引入 单位根反演一般用于求一类 \(i \bmod k\) 的求和式，通过枚举 \(j \equiv i \pmod{k}\)，将式子转化为 \(k\) 次单位根下的操作。这一般要求 \(k \mid (\mathrm{mod}-1)\)。通常会结合二项式定理使用。 单位根反演 在 FFT 中我们其实已经见过它了： \[[n\mid k] = \frac{1}{n} \su
https://darkbzoj.cc/problem/2656 https://www.luogu.com.cn/problem/P2609 \[A[i]=A[\frac{i}{2}],2\mid i \]\[A[i]=A[\frac{i}{2}]+A[\frac{i}{2}+1],2 \not\mid i \]考虑递归转递推，这种一定能转化为 \(k_1A_0+k_2A_1\) 的形式。 考虑当前有 \(ans=k_1A_i+k_2A_{i+1}\) 若 \(i
目录概流程代码 Hamilton M., Zhang Z., Hariharan B., Snavely N., Freeman W. T. Unsupervised semantic segmentation by distilling feature correspondences. In International Conference on Learning Representations, 2022 概 本文介绍了一种无监督的语义分割方法, 只需
题目相当于让每个连通块选取一个集合（可空），于是先考虑令集合不为空，将点划分进集合后内部的边可连可不连。 设 \(g_{n,m}\) 为将 \(n\) 个点划分进 \(m\) 个集合后，每个集合之间互相不连边的方案数。 设 \(f_i\) 表示 \(i\) 个点的无向图的数量，那么有： \[g_{n,m}=\sum_{i=0}^{n-1}g_{n-
快速幂： 即求\(a^b\)除以\(m\)的余数 使用乘法定义： b个a相加 即 \(a*b=a*\frac{b}{2}*2\) Code: long long mul(long long a,long long b,long long m){ if(b==0) return 0; if(b%2==1) return (2*mul(a,b/2,m)+a)%m; else return 2*mul(a,b/2,m)%m; } 组合数学 1.减法原理： 即
素数算法（Prime Num Algorithm） 数学是科学的皇后，而素数可以说是数学最为核心的概念之一。围绕素数产生了很多伟大的故事，最为著名莫过于哥德巴赫猜想、素数定理和黎曼猜想（有趣的是，自牛顿以来的三个最伟大数学家，欧拉、高斯和黎曼，分别跟这些问题有着深刻的渊源）。我写这篇文章不是要探
比赛链接： https://ac.nowcoder.com/acm/contest/33186 A.Villages: Landlines 题意： 数轴上有 \(n\) 个点，每个点能覆盖左右长为 \(r\) 的地方，问将所有线段都连接还需多长的线段。 思路： 区间覆盖问题，将所有线段排序之后求值即可。 代码： #include <bits/stdc++.h> using namespace st
第一章：图论 完全图又被称为团。 Metcalfe's Law： Metcalfe's law states that the value of a telecommunications network is proportional to the square of the number of connected users of the system (\(n^2\)). 网络的价值与网络节点个数的平方成正比。 互联网估值泡沫：相
1.杜教筛 杜教筛是用来在低于线性的时间复杂度\((O(n^\frac{2}{3} )?)\)内求出积性函数的前缀和的算法 根据杜教筛的定义，我们设 \[S(n)=\sum_{i=1}^nf(i) \]\[g是一个积性函数 \]\[h(n)=f \times g \]\[H(n)=\sum_{i=1}^nh(i) \]那么有 \[\begin{aligned} H(n)&=\sum_{i=1}^nh
集训第一天心得 一.收获 当要求出一下式子的结果时，时间效率较高的处理方法： int a[maxn],ans; for(int i=1;i<=n;i++){ for(int e=i+1;e<=n;e++){ for(int j=e+1;j<=n;j++){ ans+=a[i]*a[e]*a[j]; } } } 时间效率 $ O(n^3) $ int a[maxn],ans; int tot,t
cyj 的场哦/qq/qq/qq 考场 80+30+40 但感觉最后一题或者第一题是要做出来的…… P5572 CmdOI2019 简单的数论题 \[ \sum_{i=1}^n\sum_{j=1}^m \varphi(\frac{ij}{\gcd^2(i,j)})=\sum_{d=1}^n \sum_{i=1}^{[\frac nd]}\sum_{j=1}^{[\frac md]}\varphi(i)\varphi(j)[(i,j)=1] =\sum_
1. 重要不等式 \(a^2+b^2\ge 2ab\) 2. 基本不等式 \(a\ge0,b\ge0,\dfrac{a+b}{2}\ge\sqrt{ab}\) 3. 均值不等式 \(\dfrac{2}{\frac1a+\frac1b}\le\sqrt{ab}\le\dfrac{a+b}{2}\le\sqrt{\dfrac{a^2+b^2}{2}}\) 当且仅当 \(a=b\) 时等号成立。 拓展： \(\text{调和均值：}H_{n}=\dfrac{
\[求\lim_{x \to 0} \frac{1-cosx}{x^{2} } \]\[\because 1-cosx = sin^{2}x \]\[\therefore \lim_{x \to 0} \frac{1-cosx}{x^{2} } \]\[\Rightarrow \lim_{x \to 0} \frac{sin^{2}x}{x^{2} } \]\[分子分母同时除以2 \Rightarrow \lim_{x \to 0}
题意： 构造长度为 n 的排列，要求 \(\lfloor \frac {i}{a_i}\rfloor = b_i\) 保证答案存在 思路： \(a_i\) 的取值范围是 \(b_ia_i\le i < (b_i+1)a_i\implies \frac {i}{b_i+1}<a_i\le \frac i{b_i}\)。（如果懒得推这个的话也可以二分） 先考虑取值范围的左端点最小的那些 \(a_i\)，设它们
母函数 引入(母函数的意义) \((x_1+x_2+\dots x_k)^n\) 的多项式展开。 形成 \({x_1}^{n_1}\times {x_2}^{n_2}\times \dots \times{x_k}^{n_k}\) 的方案数。（满足 \(n_1+n_2+\dots +n_k=n\)，下同） \(n\) 个盒子，每个盒子有 \(k\) 种球，从每个盒子选一种球，选 \(n_1\) 个 \(x_1\)，\(n_2
本文为吴恩达 Deep Learning 笔记 深度学习的实用层面 概念 训练 / 验证 / 测试： Training Set 训练集 Development Set 验证集 Test Set 测试集 偏差 / 方差： Bias 偏差 Variance 方差 Underfitting 欠拟合 Overfitting 过拟合 Optimal Error / Bayes Error 理想误差 / 贝叶斯
https://ac.nowcoder.com/acm/problem/16596 点击查看代码 #include <bits/stdc++.h> using namespace std; #define int long long int mod = 10007; int frac[1002]; void ini() { frac[0] = frac[1] = 1; for(int i=2;i<=1001;++i) frac[i] = frac[
Source: Coursera Machine Learning provided by Stanford University Andrew Ng - Machine Learning | Coursera Anomaly Detection assumption: Each feature follows Gaussian distribution: $$ x_j \sim N(\mu_j, \sigma_j^2) $$ And they are independent, i.e. for
Source: Coursera Machine Learning provided by Stanford University Andrew Ng - Machine Learning | Coursera Dimensionality Reduction - Principal Component Analysis (PCA) notations: $u_k$: the k-th principal component of variation $z^{(i)}$: the projection
目录概符号说明MNAR 带来的 biasIPS EstimatorIPS Estimator 的变化性例子利用 IPS estimator 进行训练泛化界例子估计 Propensity Score泛化界疑问代码 Schnabel T., Swaminathan A., Singh A., Chandak N., Joachims T. Recommendations as treatments: debiasing learning and
应用 数论分块用于快速计算形如以下公式的和式 \[\sum_{i=1}^n f(i)g(\lfloor \frac{n}{i} \rfloor) \]前提是 在\(O(1)\) 内计算出 \(f(r)-f(l)\) 或者已经处理出 \(f\) 的前缀和。 复杂度为 \(O(\sqrt{n})\) 数论分块结论 对于\(\lfloor \frac{n}{i} \rfloor\)，一些连续的\(i\)的
优化：从一个可行解的集合(满足约束的可行解)中，寻找出最优的元素 Basic Concept 条件数：\(Ax=B\) 中 \(||A||\cdot||A^{-1}||\) 物理意义：线程方程组的解对b中的误差或不确定度的敏感性的度量（该数量在数值计算中的容易程度的衡量，低条件数是良态的） 1. 梯度下降 梯度下降又称最速下降法
\(设函数f(x)在\)\(x=0处连续\)，\(并且lim_{x \to 0}{\frac{f(2x)-f(x)}{x}}=A\),\(求证:f^{'}(0)存在，且\)\(f^{'}(0)=A。\) \(因为\) \[lim_{x \to 0}{\frac{f(2x)-f(x)}{x}}=A \] \(所以对任意\epsilon ，存在\delta,使得当x\in (-\delta,\delta)时，\) \[A-
